多重图中的表示学习：在何处以及如何融合信息？
机器学习
2024-02-29 v1 社会与信息网络
摘要
近年来，无监督和自监督图表示学习在研究社区中越来越受欢迎。然而，大多数提出的方法都集中在同质网络上，而现实世界的图通常包含多种节点和边类型。多重图作为一种特殊类型的异构图，拥有更丰富的信息，提供更好的建模能力，并整合来自潜在不同来源的更详细数据。多重图中多样的边类型为表示学习的底层过程提供了更多的背景和见解。在本文中，我们以无监督或自监督的方式解决了学习多重网络中节点表示的问题。为此，我们探索了在图处理流水线不同层级执行的各种信息融合方案。对各种场景的详细分析和实验评估启发我们提出了改进构建处理多重图的 GNN 架构的方法。
引用
@article{arxiv.2402.17906,
title = {Representation learning in multiplex graphs: Where and how to fuse information?},
author = {Piotr Bielak and Tomasz Kajdanowicz},
journal= {arXiv preprint arXiv:2402.17906},
year = {2024}
}